生成对抗网络 原理及图像处理应用

本书深入浅出地介绍了近年来AI领域中十分引人注目的新型人工神经网络――生成对抗网络（GAN）的基本原理、网络结构及其在图像处理领域中的应用；同时，分析了近年来在GAN训练、GAN质量评估及多种改进型GAN方面取得的进展；在实践方面，给出了基于Python的基本GAN编程实例。另外，本书还介绍了支撑GAN模型的基础理论和相关算法，以使读者更好地理解和掌握GAN技术。

朱秀昌，男，1947年生，硕士，江苏丹徒人。曾任南京邮电大学通信与信息工程学院教授，博士生导师，"江苏省图像处理与图像通信重点实验室”主任。长期从事图像和多媒体通信方面的科研和教学工作。曾主持完成了多项国家、省部级科研项目，主讲了多门本科生和研究生的专业课程。先后在5个出版社编著出版了"数字图像处理与图像通信”等书籍17本，发表专业技术论文160余篇。

第1章 绪论 1
1.1 从图像处理到数字视觉 2
1.1.1 数字图像技术 3
1.1.2 数字视觉技术 5
1.1.3 数字视觉的应用 7
1.2 神经网络由浅入深 10
1.2.1 神经网络的发展 10
1.2.2 深度神经网络 11
1.2.3 深度学习的进展 12
1.3 从概率生成到对抗生成 13
1.3.1 概率生成模型 14
1.3.2 概率分布比较 16
1.3.3 对抗生成模型 16
1.4 GAN的应用 18
1.4.1 在图像领域中的应用 18
1.4.2 在其他领域中的应用 20
第2章 数字图像处理 22
2.1 数字图像基础 22
2.1.1 图像的数学表示 22
2.1.2 图像的数字化 23
2.1.3 数字图像的表示 26
2.1.4 图像的分辨率 28
2.2 传统数字图像处理 30
2.2.1 图像采集和压缩 30
2.2.2 图像去噪和滤波 31
2.2.3 图像增强和复原 32
2.2.4 图像分割 33
2.2.5 图像特征提取和目标检测 34
2.2.6 图像变换和超分辨率重建 35
2.3 ANN图像处理 36
2.3.1 图像分类 36
2.3.2 目标检测与跟踪 37
2.3.3 语义分割和实例分割 39
2.3.4 图像生成 40
2.4 常用的图像数据集 43
第3章 人工神经网络 49
3.1 ANN简介 49
3.1.1 从生物到人工神经元 50
3.1.2 从感知机到神经网络 51
3.1.3 从浅层到深度 54
3.1.4 ANN的特点和应用 55
3.2 常见的ANN类型 57
3.2.1 RBF网络 57
3.2.2 ART网络 58
3.2.3 SOM网络 59
3.2.4 波尔兹曼机 59
3.2.5 级联相关网络 61
3.3 ANN的关键技术 62
3.3.1 网络类型 62
3.3.2 网络训练 62
3.3.3 激活函数 64
3.3.4 验证和泛化 65
3.4 BP算法 66
3.4.1 数据的正向传播 67
3.4.2 误差的反向传播 68
3.4.3 BP算法流程 70
3.4.4 BP算法的几个问题 70
3.5 ANN的学习方式 71
3.5.1 有监督学习 71
3.5.2 无监督学习 72
3.5.3 半监督学习 72
3.5.4 强化学习 73
第4章 GAN中常用的ANN 74
4.1 卷积神经网络 74
4.1.1 CNN的结构 75
4.1.2 CNN的核心技术 76
4.1.3 CNN的训练和改进 79
4.1.4 CNN一例 80
4.1.5 图像卷积 81
4.2 循环神经网络 84
4.2.1 RNN的结构 85
4.2.2 RNN与CNN的比较 85
4.3 变分自编码器 86
4.3.1 自编码器 86
4.3.2 VAE概述 87
4.4 深度残差网络 91
4.4.1 深度网络的困境 91
4.4.2 残差块结构 92
4.4.3 残差块的作用 92
4.4.4 ResNet的误差反传 93
第5章 相关算法 96
5.1 和图像处理有关的算法 96
5.1.1 分类算法 96
5.1.2 聚类算法 104
5.1.3 降维算法 106
5.1.4 迁移学习 113
5.1.5 马尔可夫链和HMM 115
5.2 和函数优化有关的算法 120
5.2.1 最小二乘法 120
……